GBDT的优点和缺点_参数
优点、 缺点和参数。
梯度提升决策树是监督学习中最强大也最常用的模型之一。
其主要缺点是需要仔细调参，而且训练时间可能会比较长。
与其他基于树的模型相同，它也通常不适用于高维稀疏数据
优点：
与其他基于树的模型类似，这一算法不需要对数据进行缩放就可以表现得很好，而且也适用于二元特征与连续特征同时存在的数据集。
参数：
梯度提升树模型的主要参数包括
树的数量 n_estimators
学习率 learning_rate，用于控制每棵树对前一棵树的错误的纠正强度。
这两个参数高度相关，因为 learning_rate 越低，就需要更多的树来构建具有相似复杂度的模型。
随机森林的 n_estimators 值总是越大越好，但梯度提升不同，增大 n_estimators 会导致模型更加复杂，进而可能导致过拟合。
通常的做法是根据时间和内存的预算选择合适的 n_estimators，然后对不同的learning_rate 进行遍历。
另一个重要参数是 max_depth（或 max_leaf_nodes），用于降低每棵树的复杂度。梯度提升模型的 max_depth 通常都设置得很小，一般不超过 5。
